Mengestimasi Kecepatan dan Kepercayaan

Mari lanjutkan meninjau data pendakian Taman Nasional. Perhatikan bahwa beberapa jarak bernilai negatif karena mereka berjalan ke arah berlawanan dari titik awal jalur; datanya berantakan, jadi mari kita fokus pada tren keseluruhan.

Pada latihan ini, tujuan Anda adalah menggunakan boot-strap resampling untuk menemukan sebaran nilai kecepatan bagi sebuah model linear, lalu dari sebaran tersebut menghitung taksiran terbaik untuk kecepatan dan interval kepercayaan 90% dari taksiran itu. Kecepatan di sini adalah parameter kemiringan (slope) dari model regresi linear yang memodelkan jarak sebagai fungsi waktu.

Untuk memulai, kami telah memuat data distance dan time, bersama dengan fungsi least_squares() yang sudah didefinisikan untuk menghitung nilai kecepatan untuk tiap resampling.

Latihan ini adalah bagian dari kursus

Pengantar Pemodelan Linear di Python

Lihat Kursus

Petunjuk latihan

Gunakan np.random.choice() untuk mengambil sample_inds dari population_inds, sambil mempertahankan pasangan jarak-waktu tiap data.
Untuk mempertahankan urutan waktu, lakukan .sort() pada sample_inds, lalu gunakan sample_inds untuk mengindeks distances dan times.
Gunakan least_squares(times, distances) untuk menghitung parameter model linear dan simpan a1 ke dalam resample_speeds.
Terapkan np.mean() dan np.percentiles() pada resample_speeds untuk menghitung kecepatan dan interval kepercayaan ci_90, lalu cetak keduanya.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Resample each preloaded population, and compute speed distribution
population_inds = np.arange(0, 99, dtype=int)
for nr in range(num_resamples):
    sample_inds = np.random.choice(____, size=100, replace=True)
    sample_inds.____()
    sample_distances = distances[____]
    sample_times = times[____]
    a0, a1 = ____(sample_times, sample_distances)
    resample_speeds[nr] = ____

# Compute effect size and confidence interval, and print
speed_estimate = np.mean(____)
ci_90 = np.percentile(____, [5, 95])
print('Speed Estimate = {:0.2f}, 90% Confidence Interval: {:0.2f}, {:0.2f} '.format(____, ____[0], ____[1]))

Edit dan Jalankan Kode